Fugu-MT 論文翻訳(概要): Improved Knowledge Distillation for Land-Use Image Classification

論文の概要: Improved Knowledge Distillation for Land-Use Image Classification

arxiv url: http://arxiv.org/abs/2606.14886v1
Date: Fri, 12 Jun 2026 18:47:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:32.442637
Title: Improved Knowledge Distillation for Land-Use Image Classification
Title（参考訳）: 土地利用画像分類のための知識蒸留の改良
Authors: Arundhuti Sur, Abhiroop Chatterjee, Susmita Ghosh, Emmett Ientilucci,
Abstract要約: VGG16ネットワークが知識を軽量なMobileNetV2モデルに転送する学習パラダイムが採用されている。 3つの土地利用データセットで行った実験では、提案手法により性能が向上し、99.04%の精度が得られた。
参考スコア（独自算出の注目度）: 1.3999481573773072
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the present article, an improved Knowledge Distillation (KD) framework has been proposed for efficient compression of deep convolutional neural networks for land-use image classification task. Motivated by the need to achieve competitive classification accuracy while reducing computational complexity, a teacher-student learning paradigm is adopted in which a VGG16 network transfers knowledge to a lightweight MobileNetV2 model. The proposed framework integrates hard supervision from ground truth labels with a soft supervision strategy that combines Kullback-Leibler divergence and Cosine Similarity losses. Experiments conducted on three land-use datasets show that the proposed KD-based method yields improved performance, and achieves an accuracy of 99.04%, outperforming both baseline student training and single-loss distillation approaches, while retaining substantial model compression.
Abstract（参考訳）: 本稿では,土地利用画像分類タスクにおける深部畳み込みニューラルネットワークの効率的な圧縮のための改良された知識蒸留(KD)フレームワークを提案する。 VGG16ネットワークが知識を軽量なMobileNetV2モデルに伝達する学習パラダイムが採用されている。提案する枠組みは,Kulback-Leibler分散とCosine similarity損失を組み合わせたソフト監視戦略と,地上の真理ラベルからのハード監視を統合した。 3つの土地利用データセットを用いて行った実験により,提案手法により性能が向上し,99.04%の精度が得られた。

関連論文リスト

Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文参考訳（メタデータ） (2026-01-25T07:09:20Z)
Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文参考訳（メタデータ） (2025-10-23T07:12:26Z)
ERDE: Entropy-Regularized Distillation for Early-exit [1.3403105494381726]
ディープニューラルネットワークは、比較的高い効率で画像分類における最先端のパフォーマンスを実証している。ディープニューラルネットワークは計算コストが高く、しばしばリアルタイムやエッジアプリケーションでは実用的ではない。提案手法は, 早期出口と知識蒸留という, 確立された2つの最適化手法を統合する。
論文参考訳（メタデータ） (2025-10-06T14:45:41Z)
Local Dense Logit Relations for Enhanced Knowledge Distillation [12.350115738581223]
Local Logit Distillationはクラス間の関係をキャプチャし、Logit情報を再結合する。臨界カテゴリー対の重みを動的に調整できる適応型デカイウェイト(ADW)戦略を導入する。本手法は, きめ細かい知識を伝達し, もっとも重要な関係性を強調することによって, 生徒のパフォーマンスを向上させる。
論文参考訳（メタデータ） (2025-07-21T16:25:38Z)
On Distilling the Displacement Knowledge for Few-Shot Class-Incremental Learning [17.819582979803286]
FSCIL(Few-shot Class-Incremental Learning)は、データ分散の進化と、現実のシナリオにおけるデータ取得の難しさに対処する。 FSCILでよく見られる破滅的な忘れ事に対処するために、知識の蒸留は、学習されたデータ分布から知識を維持する方法として用いられる。
論文参考訳（メタデータ） (2024-12-15T02:10:18Z)
AICSD: Adaptive Inter-Class Similarity Distillation for Semantic Segmentation [12.92102548320001]
本稿では,知識蒸留を目的としたICSD (Inter-Class similarity Distillation) を提案する。提案手法は,教師ネットワークから生徒ネットワークへの高次関係を,ネットワーク出力から各クラス毎のクラス内分布を独立に計算することによって伝達する。セマンティックセグメンテーションのためのよく知られた2つのデータセットであるCityscapesとPascal VOC 2012の実験により、提案手法の有効性が検証された。
論文参考訳（メタデータ） (2023-08-08T13:17:20Z)
Impact of a DCT-driven Loss in Attention-based Knowledge-Distillation for Scene Recognition [64.29650787243443]
本稿では, アクティベーションマップの2次元周波数変換を転送前に提案し, 解析する。この戦略は、シーン認識などのタスクにおける知識伝達可能性を高める。我々は、この論文で使われているトレーニングおよび評価フレームワークを、http://www.vpu.eps.uam.es/publications/DCTBasedKDForSceneRecognitionで公開しています。
論文参考訳（メタデータ） (2022-05-04T11:05:18Z)
Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文参考訳（メタデータ） (2021-08-26T14:01:04Z)
Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文参考訳（メタデータ） (2021-08-03T19:24:25Z)
Residual Knowledge Distillation [96.18815134719975]
本研究は,アシスタント(A)を導入し,さらに知識を蒸留する残留知識蒸留(RKD)を提案する。このように、S は T の特徴写像を模倣するように訓練され、A はそれらの間の残差を学習することでこの過程を支援する。提案手法は,CIFAR-100 と ImageNet という,一般的な分類データセットにおいて魅力的な結果が得られることを示す。
論文参考訳（メタデータ） (2020-02-21T07:49:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。